PLUTO：病理通用 Transformer
内容提要
本文介绍了自我监督模型UNI在计算病理学中的应用，利用超过100万个组织样本进行预训练，显著提升了组织分类和疾病亚型分类的能力。研究表明，该模型在数据效率和泛化能力方面表现优异，尤其适用于复杂的病理图像任务。研究团队通过新技术和算法开发了高效的图像分析方法，推动了病理学的发展。
延伸解读
病理基础模型的演进脉络
文章梳理了计算病理学基础模型的发展：从UNI使用超100万组织样本预训练，到Virchow的6.32亿参数模型，再到PathDino等轻量级模型。这些工作共同推动了对全切片图像的分析能力，并在乳腺癌、结肠癌等任务上达到先进水平。读者可从中看到该领域从通用自监督学习向病理专用模型快速迭代的趋势。
数据效率与泛化能力的平衡
UNI等模型在仅使用比竞争模型少一个数量级的幻灯片情况下，仍在公共和内部基准测试中表现良好，显示出优异的数据效率和泛化能力。同时，PathDino以仅5个Transformer块和900万参数实现了优于现有专用视觉转换器的性能。这表明在病理图像分析中，模型设计可能比单纯增加数据量更为关键。
技术创新的实际影响
文章提到的快速片段选择方法（FPS）和轻量级特征提取器PathDino，显著降低了计算成本并保持准确性。此外，旋转不变表示学习范式有效减轻了过拟合。这些创新使得大规模病理图像分析更加可行，为临床工作流中部署AI模型提供了效率基础，但实际临床验证仍需进一步研究。
Q&A
自我监督模型UNI在计算病理学中有什么突破？
UNI模型在组织分类和疾病亚型分类方面取得了分辨率无关的新建模能力，显著提升了数据效率和泛化能力。
该模型是如何进行预训练的？
模型使用超过100万个组织样本进行预训练，以提高其在病理图像任务中的表现。
研究团队开发了哪些新技术来推动病理学的发展？
研究团队开发了高效的图像分析方法，包括快速的片段选择方法和轻量级组织病理特征提取器。
该模型在乳腺癌和结肠癌任务上的表现如何？
在乳腺癌和结肠癌任务上，该模型达到了最先进的性能水平。
如何解决大规模病理图像分析中的挑战？
通过高分辨率训练瓷砖编码器和切片聚合器，模型有效解决了大规模病理图像分析中的挑战。
该研究对未来病理学研究有什么影响？
研究标志着计算病理学的阶段性变化，为基于大规模预训练的更高性能模型开辟了新时代。
